CN113807703A - 驾驶行为评分方法、装置、电子设备及介质 - Google Patents
驾驶行为评分方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113807703A CN113807703A CN202111097793.XA CN202111097793A CN113807703A CN 113807703 A CN113807703 A CN 113807703A CN 202111097793 A CN202111097793 A CN 202111097793A CN 113807703 A CN113807703 A CN 113807703A
- Authority
- CN
- China
- Prior art keywords
- index
- key
- data
- behavior
- behavior data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013077 scoring method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 252
- 230000001186 cumulative effect Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 230000001133 acceleration Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种驾驶行为评分方法，包括：在接收到行为监测请求之后获取服务器保存的原始行为数据，对原始行为数据进行数据预处理，得到初始行为数据，计算初始行为数据集对应的指标数据，并根据指标数据确定至少一个关键指标，对关键指标进行评分处理，得到关键指标对应的评分，对关键指标进行权重分析，得到关键指标对应的权重，根据关键指标对应的权重和关键指标对应的评分对初始行为数据进行评分，得到驾驶行为评分。此外，本发明还涉及区块链技术，所述指标数据可存储于区块链的节点。本发明还提出一种驾驶行为评分装置、电子设备以及计算机可读存储介质。本发明可以解决驾驶行为评分的准确度较低的问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种驾驶行为评分方法、装置、电子设备及计算机可读存储介质。
背景技术
近年来，随着人们生活水平的快速提升，对于出行的要求也越来越高，机动车辆的数量也越来越多，同时随着车联网飞速发展，与车联网技术结合的基于驾驶员驾驶行为进行定价的车险产品也越来越多，通过对驾驶员驾驶行为进行评分，进而准确地确定车险产品的定价，可以提高驾驶员的安全驾驶消费观及驾驶员的安全驾驶意识，从而降低社会交通事故率。
现有的驾驶行为评分方法通常是利用专家调查法或者层次分析法等主观赋权法给影响因子进行赋权，进而计算驾驶行为评分，这种方法受到决策者主观重视程度的影响较大，由于专业水平、职能和业务领域等因素的不同，意见分歧较大，很难得到统一的结果，在一定程度上降低了专家意见的可信度准确度，造成驾驶行为评分的准确度较低。
发明内容
本发明提供一种驾驶行为评分方法、装置及计算机可读存储介质，其主要目的在于解决驾驶行为评分的准确度较低的问题。
为实现上述目的，本发明提供的一种驾驶行为评分方法，包括：
接收行为监测请求，并在接收到所述行为监测请求之后获取原始行为数据；
对所述原始行为数据进行数据预处理，得到初始行为数据；
利用预设的指标计算公式计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定至少一个关键指标；
对所述关键指标进行评分处理，得到关键指标对应的评分；
对所述关键指标进行权重分析，得到所述关键指标对应的权重；
根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分。
可选地，所述对所述关键指标进行评分处理，得到关键指标对应的评分，包括：
从预获取的历史数据集中筛选出与所述关键指标对应的历史指标集；
按照所述历史指标集中历史指标的大小进行排列，生成指标直方图；
利用预设的区间值对所述指标直方图进行划分，得到多个直方区间，并对不同的直方区间设置对应的评分，得到关键指标对应的评分。
可选地，所述对所述关键指标进行权重分析，得到所述关键指标对应的权重，包括：
对所述原始行为数据进行无量纲化处理，得到初始行为数据；
将所述初始行为数据中关键指标的评分分别进行求和处理，得到所述关键指标对应的累计评分；
计算所述关键指标对应的累计评分的标准值，并计算所述关键指标对应的累计评分的归一值；
根据所述标准值、所述归一值和预设的指标信息熵公式计算所述关键指标的信息熵；
将所述信息熵和预获取的差异系数代入预设的权重公式中，得到所述关键指标对应的权重。
可选地，所述计算所述关键指标对应的累计评分的标准值，包括：
判断所述累计评分所属的指标类型；
当所述累计评分为正向指标，选用预设的第一标准化公式计算所述关键指标对应的累计评分的标准值；
当所述累计评分为负向指标，选用预设的第二标准化公式计算所述关键指标对应的累计评分的标准值。
可选地，所述第一标准化公式为：
其中，sij为标准值，rij为第i个驾驶员第j个指标的累计评分，
为第j个指标下的最大累计评分，
为第j个指标下的最小累计评分。
可选地，所述根据所述指标数据确定至少一个关键指标，包括：
获取预设的指标数据对应表；
利用所述指标数据对应表对所述指标数据进行归类，得到至少一个关键指标。
可选地，所述对所述原始行为数据进行数据预处理，得到初始行为数据，包括：
计算所述原始行为数据中任意行为数据在预设采样频率内的算术平均值；
利用预设的误差计算公式和所述算术平均值计算得到所述行为数据对应的误差；
将所述误差大于预设的误差阈值的行为数据进行删除，将所述误差小于或者等于所述误差阈值的行为数据进行保留，得到初始行为数据。
为了解决上述问题，本发明还提供一种驾驶行为评分装置，所述装置包括：
数据处理模块，用于接收行为监测请求，并在接收到所述行为监测请求之后获取原始行为数据，对所述原始行为数据进行数据预处理，得到初始行为数据；
指标确定模块，用于利用预设的指标计算公式计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定至少一个关键指标；
指标评分模块，用于对所述关键指标进行评分处理，得到关键指标对应的评分；
权重分析模块，用于对所述关键指标进行权重分析，得到所述关键指标对应的权重；
行为评分模块，用于根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的驾驶行为评分方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的驾驶行为评分方法。
本发明实施例中，通过在接收到行为监测请求之后获取原始行为数据，计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定关键指标，对所述关键指标进行评分处理，得到关键指标对应的评分，将关键指标对应的评分作为后续进行评分的参考数据，对所述关键指标进行权重分析，得到所述关键指标对应的权重，避免了人为因素带来的偏差，精度高且客观性更强，能够更好的解释所得到的结果。根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分，则得到的驾驶行为评分更加精准。因此本发明提出的驾驶行为评分方法、装置、电子设备及计算机可读存储介质，可以解决驾驶行为评分的准确度较低的问题。
附图说明
图1为本发明一实施例提供的驾驶行为评分方法的流程示意图；
图2为本发明一实施例提供的驾驶行为评分装置的功能模块图；
图3为本发明一实施例提供的实现所述驾驶行为评分方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种驾驶行为评分方法。所述驾驶行为评分方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述驾驶行为评分方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的驾驶行为评分方法的流程示意图。在本实施例中，所述驾驶行为评分方法包括：
S1、接收行为监测请求，并在接收到所述行为监测请求之后获取原始行为数据。
本发明实施例中，所述行为监测请求是驾驶员通过移动终端的APP界面上相关控件触发或者自动触发，所述自动触发包括实时自动开始监测，所述原始行为数据是指驾驶员在驾驶过程中产生的对应行为数据。
详细地，所述原始行为数据可以保存在云端服务器，或者也可以保存在本地。
S2、对所述原始行为数据进行数据预处理，得到初始行为数据。
本发明实施例中，所述对所述原始行为数据进行数据预处理，得到初始行为数据，包括：
计算所述原始行为数据中任意行为数据在预设采样频率内的算术平均值；
利用预设的误差计算公式和所述算术平均值计算得到所述行为数据对应的误差；
将所述误差大于预设的误差阈值的行为数据进行删除，将所述误差小于或者等于所述误差阈值的行为数据进行保留，得到初始行为数据。
详细地，例如在预设采样频率内获取的行为序列数据为{x1,x2,...xn}，求出每个采样频率内的算术平均值和每个数据的误差。
具体地，所述预设的误差计算公式为
其中，ai为误差，
为算术平均值，xi为第i个行为数据。
S3、利用预设的指标计算公式计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定至少一个关键指标。
本发明实施例中，所述初始行为数据对应的指标数据是指多个物理参考数据，例如，横向离心加速度、加速度、偏移量等。而指标数据是利用特定的算法公式对速度、行驶里程等基本数据进行计算得到的，可以选定指标计算公式去计算所述初始行为数据集对应的指标数据。
例如，选择加速度计算公式去计算所述初始行为数据集中驾驶行为的加速度，加速度可以反映出急加速和急减速等指标。
详细地，所述加速度计算公式为：
其中，a(t)为加速度，v(t)为第一时刻的速度，v(t+Δt)为第二时刻的速度，Δt为第一时刻和第二时刻的时间差值。
进一步地，所述根据所述指标数据确定至少一个关键指标，包括：
获取预设的指标数据对应表；
利用所述指标数据对应表对所述指标数据进行归类，得到至少一个关键指标。
详细地，所述指标数据对应表中包括关键指标和指标数据的一对一的关系，例如，行车方向的加速和减速可以反映出急加速和急刹车等指标，横向离心加速度可以反映出急转弯指标，根据车辆行驶过程中偏移中心线的偏移量和时间关系曲线可以得到偏移指标数据，根据所述指标数据对应表对所述指标数据进行归类，可以得到多个关键指标。
S4、对所述关键指标进行评分处理，得到关键指标对应的评分。
本发明实施例中，所述对所述关键指标进行评分处理，得到关键指标对应的评分，包括：
获取历史数据集，从所述历史数据集中筛选出与所述关键指标对应的历史指标集；
按照所述历史指标集中历史指标的大小进行排列，生成指标直方图；
利用预设的区间值对所述指标直方图进行划分，得到多个直方区间，并对不同的直方区间设置对应的评分，得到关键指标对应的评分。
详细地，在本方案中，所述历史数据集可以是以往出现交通事故时驾驶车辆上的行为数据，从所述历史数据集中筛选出与所述关键指标对应的历史指标集，例如，关键指标为超速，则从历史数据集中筛选出速度这一数据，并以时间为横坐标，速度为纵坐标，构建得到指标直方图，选定任意一个区间值，并采用所述区间值对所述指标直方图进行划分，得到多个直方区间，可以为0-30km/h为未超速，大于30km/h为超速，并令超速区间的评分为0分，未超速区间的评分为30分。
其中，可以采取人工智能模型对所述关键指标进行评分处理，得到关键指标对应的评分。
S5、对所述关键指标进行权重分析，得到所述关键指标对应的权重。
本发明实施例中，由于不同的关键指标对行为的影响是不一样的，故需要对关键指标进行权重分析，得到关键指标对应的权重，用于后续的驾驶行为评分处理。
具体地，所述对所述关键指标进行权重分析，得到所述关键指标对应的权重，包括：
对所述原始行为数据进行无量纲化处理，得到初始行为数据；
将所述初始行为数据中关键指标的评分分别进行求和处理，得到所述关键指标对应的累计评分；
计算所述关键指标对应的累计评分的标准值，并计算所述关键指标对应的累计评分的归一值；
根据所述标准值、所述归一值和预设的指标信息熵公式计算所述关键指标的信息熵；
将所述信息熵和差异系数代入预设的权重公式中，得到所述关键指标对应的权重。
详细地，对所述原始行为数据进行无量纲化处理即去除所述原始行为数据中的单位。
进一步地，所述计算所述关键指标对应的累计评分的标准值，包括：
判断所述累计评分所属的指标类型；
当所述累计评分为正向指标，选用预设的第一标准化公式计算所述关键指标对应的累计评分的标准值；
当所述累计评分为负向指标，选用预设的第二标准化公式计算所述关键指标对应的累计评分的标准值。
详细地，所述第一标准化公式为：
其中，sij为标准值，rij为第i个驾驶员第j个指标的累计评分，
为第j个指标下的最大累计评分，
为第j个指标下的最小累计评分。
详细地，所述第二标准化公式为：
其中，sij为标准值，rij为第i个驾驶员第j个指标的累计评分，
为第j个指标下的最大累计评分，
为第j个指标下的最小累计评分。
进一步地，利用预设的归一化公式计算所述关键指标对应的累计评分的归一值，包括：
所述预设的归一化公式为：
其中，s′ij为归一值，sij为标准值。
具体地，所述根据所述标准值、所述归一值和预设的指标信息熵公式计算所述关键指标的信息熵，包括：
所述预设的指标信息熵公式为：
其中，Hj为第j个指标的信息熵，s′ij为归一值，sij为标准值。
进一步地，将所述信息熵和预获取的差异系数代入预设的权重公式中，得到所述关键指标对应的权重，包括：
αj＝1-Hj(j＝1,2...,n)
其中，pj为权重，αj为差异系数，Hj为第j个指标的信息熵。
详细地，本方案利用熵权法进行权重分析，所述熵权法是根据各项指标指标值的变异程度来确定指标权数的，这是一种客观赋权法，避免了人为因素带来的偏差。相对于其他主观赋值法，精度较高客观性更强，能够更好的解释所得到的结果。
S6、根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分。
本发明实施例中，所述关键指标对应的权重可以表示该关键指标的权重，因此结合所述关键指标对应的权重和所述关键指标对应的评分对初始行为数据进行评分，得到的驾驶行为评分更加准确，有助于后续根据驾驶行为评分进行策略制定和执行。
具体地，所述根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分，包括：
将所述关键指标对应的权重与所述关键指标对应的评分进行相乘，得到权重评分；
将多个权重评分进行求和处理，得到驾驶行为评分。
详细地，在本方案中，所述驾驶行为评分即驾驶行为对应的综合评分，驾驶行为最终评分在一定程度上反映了驾驶人的出险概率。当所述驾驶行为评分大于或者等于预设行为阈值时，说明行为数据具有一定的风险，因此制定针对风险处理的第一策略并执行推送，当所述驾驶行为评分小于所述预设行为阈值时，说明行为数据目前尚未具有风险制定针对现在行为的第二策略并执行推送。也可以根据驾驶行为评分进行对应的车险产品推荐，根据所述驾驶行为评分可以判定驾驶过程的危险等级，而驾驶过程的危险等级则影响到车险产品的定价，车险产品适用于为驾驶人员提供最大化的保护，对于危险等级较高的驾驶过程，通常会推荐具有更高回报率的车险产品，而对于危险等级一般的驾驶过程，则会推荐普通的车险产品。
本发明实施例中，通过在接收到行为监测请求之后获取原始行为数据，计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定关键指标，对所述关键指标进行评分处理，得到关键指标对应的评分，将关键指标对应的评分作为后续进行评分的参考数据，对所述关键指标进行权重分析，得到所述关键指标对应的权重，避免了人为因素带来的偏差，精度高且客观性更强，能够更好的解释所得到的结果。根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分，则得到的驾驶行为评分更加精准。因此本发明提出的驾驶行为评分方法，可以解决驾驶行为评分的准确度较低的问题。
如图2所示，是本发明一实施例提供的驾驶行为评分装置的功能模块图。
本发明所述驾驶行为评分装置100可以安装于电子设备中。根据实现的功能，所述驾驶行为评分装置100可以包括数据处理模块101、指标确定模块102、指标评分模块103、权重分析模块104及行为评分模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据处理模块101，用于接收行为监测请求，并在接收到所述行为监测请求之后获取原始行为数据，对所述原始行为数据进行数据预处理，得到初始行为数据；
所述指标确定模块102，用于利用预设的指标计算公式计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定至少一个关键指标；
所述指标评分模块103，用于对所述关键指标进行评分处理，得到关键指标对应的评分；
所述权重分析模块104，用于对所述关键指标进行权重分析，得到所述关键指标对应的权重；
所述行为评分模块105，用于根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分。
详细地，所述驾驶行为评分装置100各模块的具体实施方式如下：
步骤一、接收行为监测请求，并在接收到所述行为监测请求之后获取原始行为数据。
本发明实施例中，所述行为监测请求是驾驶员通过移动终端的APP界面上相关控件触发或者自动触发，所述自动触发包括实时自动开始监测，所述原始行为数据是指驾驶员在驾驶过程中产生的对应行为数据。
详细地，所述原始行为数据可以保存在云端服务器，或者也可以保存在本地。
步骤二、对所述原始行为数据进行数据预处理，得到初始行为数据。
本发明实施例中，所述对所述原始行为数据进行数据预处理，得到初始行为数据，包括：
计算所述原始行为数据中任意行为数据在预设采样频率内的算术平均值；
利用预设的误差计算公式和所述算术平均值计算得到所述行为数据对应的误差；
将所述误差大于预设的误差阈值的行为数据进行删除，将所述误差小于或者等于所述误差阈值的行为数据进行保留，得到初始行为数据。
详细地，例如在预设采样频率内获取的行为序列数据为{x1,x2,...xn}，求出每个采样频率内的算术平均值和每个数据的误差。
具体地，所述预设的误差计算公式为
其中，αi为误差，
为算术平均值，xi为第i个行为数据。
步骤三、利用预设的指标计算公式计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定至少一个关键指标。
本发明实施例中，所述初始行为数据对应的指标数据是指多个物理参考数据，例如，横向离心加速度、加速度、偏移量等。而指标数据是利用特定的算法公式对速度、行驶里程等基本数据进行计算得到的，可以选定指标计算公式去计算所述初始行为数据集对应的指标数据。
例如，选择加速度计算公式去计算所述初始行为数据集中驾驶行为的加速度，加速度可以反映出急加速和急减速等指标。
详细地，所述加速度计算公式为：
其中，a(t)为加速度，v(t)为第一时刻的速度，v(t+Δt)为第二时刻的速度，Δt为第一时刻和第二时刻的时间差值。
进一步地，所述根据所述指标数据确定至少一个关键指标，包括：
获取预设的指标数据对应表；
利用所述指标数据对应表对所述指标数据进行归类，得到至少一个关键指标。
详细地，所述指标数据对应表中包括关键指标和指标数据的一对一的关系，例如，行车方向的加速和减速可以反映出急加速和急刹车等指标，横向离心加速度可以反映出急转弯指标，根据车辆行驶过程中偏移中心线的偏移量和时间关系曲线可以得到偏移指标数据，根据所述指标数据对应表对所述指标数据进行归类，可以得到多个关键指标。
步骤四、对所述关键指标进行评分处理，得到关键指标对应的评分。
本发明实施例中，所述对所述关键指标进行评分处理，得到关键指标对应的评分，包括：
获取历史数据集，从所述历史数据集中筛选出与所述关键指标对应的历史指标集；
按照所述历史指标集中历史指标的大小进行排列，生成指标直方图；
利用预设的区间值对所述指标直方图进行划分，得到多个直方区间，并对不同的直方区间设置对应的评分，得到关键指标对应的评分。
详细地，在本方案中，所述历史数据集可以是以往出现交通事故时驾驶车辆上的行为数据，从所述历史数据集中筛选出与所述关键指标对应的历史指标集，例如，关键指标为超速，则从历史数据集中筛选出速度这一数据，并以时间为横坐标，速度为纵坐标，构建得到指标直方图，选定任意一个区间值，并采用所述区间值对所述指标直方图进行划分，得到多个直方区间，可以为0-30km/h为未超速，大于30km/h为超速，并令超速区间的评分为0分，未超速区间的评分为30分。
其中，可以采取人工智能模型对所述关键指标进行评分处理，得到关键指标对应的评分。
步骤五、对所述关键指标进行权重分析，得到所述关键指标对应的权重。
本发明实施例中，由于不同的关键指标对行为的影响是不一样的，故需要对关键指标进行权重分析，得到关键指标对应的权重，用于后续的驾驶行为评分处理。
具体地，所述对所述关键指标进行权重分析，得到所述关键指标对应的权重，包括：
对所述原始行为数据进行无量纲化处理，得到初始行为数据；
将所述初始行为数据中关键指标的评分分别进行求和处理，得到所述关键指标对应的累计评分；
计算所述关键指标对应的累计评分的标准值，并计算所述关键指标对应的累计评分的归一值；
根据所述标准值、所述归一值和预设的指标信息熵公式计算所述关键指标的信息熵；
将所述信息熵和差异系数代入预设的权重公式中，得到所述关键指标对应的权重。
详细地，对所述原始行为数据进行无量纲化处理即去除所述原始行为数据中的单位。
进一步地，所述计算所述关键指标对应的累计评分的标准值，包括：
判断所述累计评分所属的指标类型；
当所述累计评分为正向指标，选用预设的第一标准化公式计算所述关键指标对应的累计评分的标准值；
当所述累计评分为负向指标，选用预设的第二标准化公式计算所述关键指标对应的累计评分的标准值。
详细地，所述第一标准化公式为：
其中，sij为标准值，rij为第i个驾驶员第j个指标的累计评分，
为第j个指标下的最大累计评分，
为第j个指标下的最小累计评分。
详细地，所述第二标准化公式为：
其中，sij为标准值，rij为第i个驾驶员第j个指标的累计评分，
为第j个指标下的最大累计评分，
为第j个指标下的最小累计评分。
进一步地，利用预设的归一化公式计算所述关键指标对应的累计评分的归一值，包括：
所述预设的归一化公式为：
其中，s′ij为归一值，sij为标准值。
具体地，所述根据所述标准值、所述归一值和预设的指标信息熵公式计算所述关键指标的信息熵，包括：
所述预设的指标信息熵公式为：
其中，Hj为第j个指标的信息熵，s′ij为归一值，sij为标准值。
进一步地，将所述信息熵和预获取的差异系数代入预设的权重公式中，得到所述关键指标对应的权重，包括：
αj＝1-Hj(j＝1,2...,n)
其中，pj为权重，αj为差异系数，Hj为第j个指标的信息熵。
详细地，本方案利用熵权法进行权重分析，所述熵权法是根据各项指标指标值的变异程度来确定指标权数的，这是一种客观赋权法，避免了人为因素带来的偏差。相对于其他主观赋值法，精度较高客观性更强，能够更好的解释所得到的结果。
步骤六、根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分。
本发明实施例中，所述关键指标对应的权重可以表示该关键指标的权重，因此结合所述关键指标对应的权重和所述关键指标对应的评分对初始行为数据进行评分，得到的驾驶行为评分更加准确，有助于后续根据驾驶行为评分进行策略制定和执行。
具体地，所述根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分，包括：
将所述关键指标对应的权重与所述关键指标对应的评分进行相乘，得到权重评分；
将多个权重评分进行求和处理，得到驾驶行为评分。
详细地，在本方案中，所述驾驶行为评分即驾驶行为对应的综合评分，驾驶行为最终评分在一定程度上反映了驾驶人的出险概率。当所述驾驶行为评分大于或者等于预设行为阈值时，说明行为数据具有一定的风险，因此制定针对风险处理的第一策略并执行推送，当所述驾驶行为评分小于所述预设行为阈值时，说明行为数据目前尚未具有风险制定针对现在行为的第二策略并执行推送。也可以根据驾驶行为评分进行对应的车险产品推荐，根据所述驾驶行为评分可以判定驾驶过程的危险等级，而驾驶过程的危险等级则影响到车险产品的定价，车险产品适用于为驾驶人员提供最大化的保护，对于危险等级较高的驾驶过程，通常会推荐具有更高回报率的车险产品，而对于危险等级一般的驾驶过程，则会推荐普通的车险产品。
本发明实施例中，通过在接收到行为监测请求之后获取原始行为数据，计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定多个关键指标，对所述关键指标进行评分处理，得到关键指标对应的评分，将关键指标对应的评分作为后续进行评分的参考数据，对所述关键指标进行权重分析，得到所述关键指标对应的权重，避免了人为因素带来的偏差，精度高且客观性更强，能够更好的解释所得到的结果。根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分，则得到的驾驶行为评分更加精准。因此本发明提出的驾驶行为评分装置，可以解决驾驶行为评分的准确度较低的问题。
如图3所示，是本发明一实施例提供的实现驾驶行为评分方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如驾驶行为评分程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如驾驶行为评分程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如驾驶行为评分程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的驾驶行为评分程序是多个指令的组合，在所述处理器10中运行时，可以实现：
接收行为监测请求，并在接收到所述行为监测请求之后获取原始行为数据；
对所述原始行为数据进行数据预处理，得到初始行为数据；
利用预设的指标计算公式计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定至少一个关键指标；
对所述关键指标进行评分处理，得到关键指标对应的评分；
对所述关键指标进行权重分析，得到所述关键指标对应的权重；
根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收行为监测请求，并在接收到所述行为监测请求之后获取原始行为数据；
对所述原始行为数据进行数据预处理，得到初始行为数据；
利用预设的指标计算公式计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定至少一个关键指标；
对所述关键指标进行评分处理，得到关键指标对应的评分；
对所述关键指标进行权重分析，得到所述关键指标对应的权重；
根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种驾驶行为评分方法，其特征在于，所述方法包括：
接收行为监测请求，并在接收到所述行为监测请求之后获取原始行为数据；
对所述原始行为数据进行数据预处理，得到初始行为数据；
利用预设的指标计算公式计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定至少一个关键指标；
对所述关键指标进行评分处理，得到关键指标对应的评分；
对所述关键指标进行权重分析，得到所述关键指标对应的权重；
根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分。
2.如权利要求1所述的驾驶行为评分方法，其特征在于，所述对所述关键指标进行评分处理，得到关键指标对应的评分，包括：
从预获取的历史数据集中筛选出与所述关键指标对应的历史指标集；
按照所述历史指标集中历史指标的大小进行排列，生成指标直方图；
利用预设的区间值对所述指标直方图进行划分，得到多个直方区间，并对不同的直方区间设置对应的评分，得到关键指标对应的评分。
3.如权利要求1所述的驾驶行为评分方法，其特征在于，所述对所述关键指标进行权重分析，得到所述关键指标对应的权重，包括：
对所述原始行为数据进行无量纲化处理，得到初始行为数据；
将所述初始行为数据中关键指标的评分分别进行求和处理，得到所述关键指标对应的累计评分；
计算所述关键指标对应的累计评分的标准值，并计算所述关键指标对应的累计评分的归一值；
根据所述标准值、所述归一值和预设的指标信息熵公式计算所述关键指标的信息熵；
将所述信息熵和预获取的差异系数代入预设的权重公式中，得到所述关键指标对应的权重。
4.如权利要求1所述的驾驶行为评分方法，其特征在于，所述计算所述关键指标对应的累计评分的标准值，包括：
判断所述累计评分所属的指标类型；
当所述累计评分为正向指标，选用预设的第一标准化公式计算所述关键指标对应的累计评分的标准值；
当所述累计评分为负向指标，选用预设的第二标准化公式计算所述关键指标对应的累计评分的标准值。
5.如权利要求4所述的驾驶行为评分方法，其特征在于，所述第一标准化公式为：
其中，sij为标准值，rij为第i个驾驶员第j个指标的累计评分，
为第j个指标下的最大累计评分，
为第j个指标下的最小累计评分。
6.如权利要求1所述的驾驶行为评分方法，其特征在于，所述根据所述指标数据确定至少一个关键指标，包括：
获取预设的指标数据对应表；
利用所述指标数据对应表对所述指标数据进行归类，得到至少一个关键指标。
7.如权利要求1所述的驾驶行为评分方法，其特征在于，所述对所述原始行为数据进行数据预处理，得到初始行为数据，包括：
计算所述原始行为数据中任意行为数据在预设采样频率内的算术平均值；
利用预设的误差计算公式和所述算术平均值计算得到所述行为数据对应的误差；
将所述误差大于预设的误差阈值的行为数据进行删除，将所述误差小于或者等于所述误差阈值的行为数据进行保留，得到初始行为数据。
8.一种驾驶行为评分装置，其特征在于，所述装置包括：
数据处理模块，用于接收行为监测请求，并在接收到所述行为监测请求之后获取原始行为数据，对所述原始行为数据进行数据预处理，得到初始行为数据；
指标确定模块，用于利用预设的指标计算公式计算所述初始行为数据集对应的指标数据，并根据所述指标数据确定至少一个关键指标；
指标评分模块，用于对所述关键指标进行评分处理，得到关键指标对应的评分；
权重分析模块，用于对所述关键指标进行权重分析，得到所述关键指标对应的权重；
行为评分模块，用于根据所述关键指标对应的权重和所述关键指标对应的评分对所述初始行为数据进行评分，得到驾驶行为评分。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的驾驶行为评分方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的驾驶行为评分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111097793.XA CN113807703A (zh) | 2021-09-18 | 2021-09-18 | 驾驶行为评分方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111097793.XA CN113807703A (zh) | 2021-09-18 | 2021-09-18 | 驾驶行为评分方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113807703A true CN113807703A (zh) | 2021-12-17 |
Family
ID=78940001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111097793.XA Pending CN113807703A (zh) | 2021-09-18 | 2021-09-18 | 驾驶行为评分方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807703A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002981A (zh) * | 2018-07-10 | 2018-12-14 | 上海经达信息科技股份有限公司 | 驾驶行为评分方法、系统、装置及计算机可读存储介质 |
| CN109544351A (zh) * | 2018-10-12 | 2019-03-29 | 平安科技（深圳）有限公司 | 车辆风险评估方法、装置、计算机设备及存储介质 |
| CN112613998A (zh) * | 2020-12-16 | 2021-04-06 | 深圳市麦谷科技有限公司 | 一种基于驾驶行为评分模型的车险保费定价方法及系统 |
| CN113178071A (zh) * | 2021-04-22 | 2021-07-27 | 深圳壹账通智能科技有限公司 | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-09-18 CN CN202111097793.XA patent/CN113807703A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002981A (zh) * | 2018-07-10 | 2018-12-14 | 上海经达信息科技股份有限公司 | 驾驶行为评分方法、系统、装置及计算机可读存储介质 |
| CN109544351A (zh) * | 2018-10-12 | 2019-03-29 | 平安科技（深圳）有限公司 | 车辆风险评估方法、装置、计算机设备及存储介质 |
| CN112613998A (zh) * | 2020-12-16 | 2021-04-06 | 深圳市麦谷科技有限公司 | 一种基于驾驶行为评分模型的车险保费定价方法及系统 |
| CN113178071A (zh) * | 2021-04-22 | 2021-07-27 | 深圳壹账通智能科技有限公司 | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
| CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
| CN112016905A (zh) | 基于审批流程的信息展示方法、装置、电子设备及介质 | |
| CN112906139A (zh) | 车辆故障风险评估方法、装置、电子设备及存储介质 | |
| CN113139743A (zh) | 污水排放指标分析方法、装置、电子设备及存储介质 | |
| CN111696663A (zh) | 疾病风险的分析方法、装置、电子设备及计算机存储介质 | |
| CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
| CN114997709A (zh) | 一种道路废水回收利用调节系统 | |
| CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN112579621A (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
| CN112463530A (zh) | 微服务系统的异常检测方法、装置、电子设备及存储介质 | |
| CN110533094B (zh) | 一种用于驾驶员的评价方法和系统 | |
| CN111831708A (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
| CN114187489A (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
| CN113658002A (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
| CN112801222A (zh) | 基于二分类模型的多分类方法、装置、电子设备及介质 | |
| CN112115890A (zh) | 基于人工智能的酒驾识别方法、装置、设备及介质 | |
| CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
| CN113191805B (zh) | 车主置换评估方法、系统、电子设备及存储介质 | |
| CN113807703A (zh) | 驾驶行为评分方法、装置、电子设备及介质 | |
| CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
| CN115099339A (zh) | 欺诈行为识别方法、装置、电子设备及存储介质 | |
| CN111860661B (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
| CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |